Ithemal：基于深度神经网络的基本块吞吐量的准确、可移植且快速估计
分布式、并行与集群计算
2019-05-31 v2 机器学习
机器学习
摘要
预测处理器在稳态下执行一段汇编指令块所需的时钟周期数（吞吐量）对编译器设计者和性能工程师都十分重要。为此建立解析模型在现代x86-64复杂指令集计算机（CISC）机器中尤为复杂，因其具有精细的处理器微体系结构，且过程繁琐、易错，并须为每一代处理器从零开始构建。本文提出Ithemal，首个学习预测指令集吞吐量的工具。Ithemal采用基于分层LSTM的方法，根据基本块中指令的操作码和操作数预测吞吐量。我们表明Ithemal比编译器后端和静态机器码分析器中使用的顶尖手写工具更准确。具体而言，我们的模型误差小于顶尖解析模型（LLVM的llvm-mca与Intel的IACA）的一半。Ithemal也能以与上述工具同样快的速度预测吞吐量，且只需极小的开发者工作量即可便捷地移植到多种处理器微体系结构。
引用
@article{arxiv.1808.07412,
title = {Ithemal: Accurate, Portable and Fast Basic Block Throughput Estimation using Deep Neural Networks},
author = {Charith Mendis and Alex Renda and Saman Amarasinghe and Michael Carbin},
journal= {arXiv preprint arXiv:1808.07412},
year = {2019}
}
备注
Published at 36th International Conference on Machine Learning (ICML) 2019